Una startup de San Francisco salió del modo sigiloso anunciando que levantó casi US$ 28 millones para atacar la escasez de radiólogos en Estados Unidos por un camino distinto del habitual: en lugar de vender algoritmos a las clínicas, Epsilon Health quiere ser la clínica. La ronda Serie A, revelada el 10 de septiembre de 2026, fue liderada por AlleyCorp y marca la segunda apuesta relevante del sector, en menos de dos semanas, por el modelo que el mercado empezó a llamar radiología «IA-nativa».
Quién es Epsilon y quién entró en la ronda
Fundada en 2024, la empresa está dirigida por Rustin Rassoli, que estudió matemáticas y ciencias de la computación en la Universidad de Texas en Austin y creció dentro de la clínica de imagen de su padre. «Cuando un diagnóstico se pierde o se retrasa, puede cambiar rápidamente el rumbo de la vida de alguien», dijo en el anuncio, al justificar la elección del problema. Su lectura del mercado estadounidense es dura: la escasez de radiólogos «está poniendo vidas en riesgo aún mayor — el sistema está colapsando, y los pacientes pagan la cuenta».
Además de AlleyCorp, con sede en Nueva York y líder de la ronda, participaron Uncork Capital, Renegade Partners y SemperVirens. Entró también Jack Altman, hermano del fundador de OpenAI, en calidad de socio gestor de Alt Capital. La composición dice algo sobre la tesis: es dinero de tecnología entrando en un negocio que, al final, es un prestador de servicio médico.
La apuesta: ser la clínica, no solo el algoritmo
Epsilon afirma diferenciarse de las demás empresas de IA en radiología, que construyen modelos para una enfermedad o una modalidad específica. La propuesta es una «IA hecha a medida» integrada directamente al trabajo de radiólogos certificados, capaz de acelerar las interpretaciones «preservando la forma en que los profesionales ya entregan el cuidado». En otras palabras: el producto no es el detector, es el servicio de informe completo, con el algoritmo por debajo.
El argumento de mercado que usa la empresa es conocido y fuerte: cerca del 75% de todas las decisiones médicas dependen de la radiología para diagnosticar y tratar. Si la demanda de exámenes crece y el número de médicos que los interpreta no acompaña, el cuello de botella se convierte en retraso de tratamiento. Vender capacidad de lectura, y no licencia de software, es la forma más directa de capturar el valor de destrabar ese cuello de botella.
Por qué el modelo del algoritmo aislado se trabó
Hay una razón económica para ese giro. Un algoritmo que detecta una condición específica necesita que alguien lo compre, que alguien lo integre a su PACS y — el paso más difícil — que alguien lo pague. Mientras el reembolso de IA avanza despacio, el desarrollador queda atrapado en ciclos largos de venta y en un beneficio que aparece en el flujo de trabajo del cliente, no en el suyo. Cuando la empresa es el propio prestador, la ganancia de productividad se convierte en margen directamente.
No es un movimiento aislado. Días antes, la australiana Harrison.ai apareció apoyando a un grupo de telerradiología en EE. UU., en un arreglo que generó debate sobre conflicto de interés justamente por mezclar desarrollador de algoritmos y prestador de servicio clínico. Vale notar que la legislación estadounidense exige propiedad médica de las entidades que prestan servicio clínico, lo que obliga a esos arreglos a separar formalmente quién es dueño de la práctica y quién provee la tecnología. Del lado de la infraestructura el capital también ha fluido: Scan.com recaudó US$ 220 millones para montar una red de agendamiento y exámenes.
El contrapunto: cuánto entrega realmente la IA
Dos reservas merecen espacio. La primera es de desempeño. Una promesa de aceleración es fácil de anunciar y difícil de sostener en producción, donde la distribución de los casos, la calidad de las adquisiciones y el perfil de la población lo cambian todo. Evaluaciones recientes muestran distancia entre expectativa y resultado — fue lo que radiólogos reportaron al medir lo que la IA en mamografía realmente entregó.
La segunda es sobre el propio diagnóstico de escasez. Es real, pero no es uniforme: se concentra en subespecialidades, turnos y regiones específicas, y convive con señales de mercado caliente, como el aumento de 6,6% en la remuneración del radiólogo en EE. UU. Una empresa que promete resolver «la escasez» con throughput necesita mostrar, en la práctica, que la ganancia viene de un flujo mejor y no apenas de un plazo de informe más corto a costa de una revisión más superficial.
Qué significa esto fuera del mercado estadounidense
El arreglo que Epsilon propone ya existe en otros lugares con otro ropaje. En Brasil, las empresas de telerradiología operan hace años como prestadoras que combinan cuerpo clínico propio, plataforma de distribución de exámenes y, más recientemente, algoritmos de triaje. La diferencia estadounidense es la escala del capital y el hecho de que la IA entra como premisa de diseño, no como módulo agregado después.
Para el gestor, la pregunta práctica no es si conviene contratar IA, sino dónde entra en el flujo: priorización de la cola, prellenado del informe estructurado, control de calidad retrospectivo o detección autónoma. Cada una de esas posiciones tiene una exigencia regulatoria y un riesgo asistencial distintos. Y hay una lección de gobernanza en el modelo IA-nativa que vale independientemente del proveedor: cuando quien opera el algoritmo es también quien firma el informe, la auditoría de desempeño tiene que ser externa, continua y documentada — si no, no hay forma de distinguir una ganancia real de productividad de simplemente pasar menos tiempo mirando la imagen.
Fuente: AuntMinnie
